hadoop hive spark 数据分析 hadoop hive spark hbase

大数据：Hadoop基础常识hive，hbase，MapReduce，Spark

Hadoop是根据Google三大论文为基础研发的，Google 三大论文分别是: MapReduce、 GFS和BigTable。
Hadoop的核心是两个部分：
一、分布式存储（HDFS，Hadoop Distributed File System）。
二、分布式计算（MapReduce）。

MapReduce
MapReduce是“ 任务的分解与结果的汇总”。
Map把数据切分——分布式存放、计算。
Reduce把分布计算得到的结果进行整合，汇总（Shuffle）得出最终的结果。
MapReduce是一种“分治”计算思想，把一个大任务分割成许多小单元，最后再将每个小任务单元结果汇总，求得最终结果。

HDFS
HDFS把文件切分成block块进行存储（默认block大小尺寸为128m），然后这些block块被复制到多个计算机中（DataNode）。这有一个容错机制，副本策略，默认一块数据会有三个block，当前机器存储一份（数据本地化），另外一个机架存储一份，该机架的不同机器存储一份。

Hadoop在处理大数据时候特别需要注意：
1、    非常适合处理超大规模的数据集（TB，PB量级），非常不适合处理大量小文件。
2、    Hadoop一次写入，多次读写。Hadoop不支持随机修改文件。
3、Hadoop数据处理高延迟，数据的实时性不高。原因很显然，因为处理的数据规模非常大且是以分布式方式存储，读写访问需要花费更多时间。
Hadoop特点总结：不适合低延迟数据访问、无法高效存储大量小文件、不支持多用户写入及任意修改文件。

Hive
简单说，Hive提供了一种独特的SQL查询语句，使得熟悉SQL的开发者通过编写SQL语句即可访问Hadoop存储的海量数据，通过hive的SQL查询语句，开发者可以在一定程度上绕过MapReduce。hive可以用SQL的语言转化成Map Reduce任务对hdfs数据的查询分析。hive的使用者无需写Map Reduce任务，掌握SQL可完成查询分析工作。

Hbase
Hbase是一种NoSQL数据库。HBase是非关系型数据库(Nosql)，在某些业务场景下，数据存储查询在Hbase的使用效率更高。

Yarn
Yarn是分布式集群资源管理框架。

MapReduce的Shuffle
MapReduce在任务结束后将数据存放到硬盘中。Hadoop的MapReduce计算模型存在问题是: MapReduce关键过程是Shuffle(洗牌)，在整个Shuffle过程中，基于MapReduce计算引擎通常会将结果输出到硬盘上而不是直接在内存中，进行存储和容错。

Spark是在MapReduce基础上发展而来。Spark支持Scala语言和Java语言。Spark在数据尚未写入硬盘时即可在内存进行计算。 

Spark Streaming
Spark Streaming基于微批量方式计算，处理实时流数据。数据可以从Kafka或TCP套接字等众多来源获取，并且可以使用高级函数（如 map，reduce，join 和 window）开发复杂算法进行实时流数据处理。最后处理的数据结果可以推送到文件系统，数据库或实时仪表板。

Spark架构
Spark架构采用分布式计算中的Master-Slave模型。Master是对应集群中含有Master进程的节点，Slave是集群中含有Worker进程的节点。Master作为整个集群的控制器，负责整个集群的正常运行。Worker相当于计算节点，接收主节点命令与状态汇报。Executor负责任务的执行。Client作为用户的客户端负责提交应用。Driver负责控制一个应用的执行。 
Spark集群部署后，需要在主节点和从节点分别启动Master进程和Worker进程，对整个集群进行控制。在一个Spark应用的执行程序中，Driver和Worker是两个重要的角色。Driver程序是应用逻辑执行的起点，负责作业的调度，即Task任务的发布，而多个Worker用来管理计算节点和创建Executor并行处理任务。在执行阶段，Driver会将Task和Task所依赖的file和jar序列化后传递给对应的Worker机器。